Data-Driven Classroom

Part II: Intentional Assessment

Assistant Prof. Dr. Siwachoat Srisuttiyakorn

Department of Educational Research and Psychology
Faculty of Education Chulalongkorn University

2025-08-18

Data-Driven Classroom Cycle

Bolz and Madhavan (2023)

Intentional Assessment

การประเมินแบบมีเป้าหมาย (intentional assessment) คือกระบวนการเก็บและใช้ข้อมูลการเรียนรู้อย่างมีวัตถุประสงค์ชัดเจน เชื่อมโยงกับเป้าหมายการเรียนรู้ เพื่อพัฒนาผู้เรียนอย่างต่อเนื่อง

  • ทำความเข้าใจทั้งความก้าวหน้าและอุปสรรคของผู้เรียน

  • ให้ข้อเสนอแนะที่นำไปใช้ได้จริง (actionable feedback)

  • ใช้เป็นฐานในการวางแผนช่วยเหลือเชิงรุกอย่างแม่นยำและทันท่วงที เพื่อการพัฒนาผู้เรียนอย่างต่อเนื่อง

The word “assessment” originates from the Latin word “assidere,” meaning “to sit beside”. In education, this translates to teachers sitting beside students, observing their work, and gathering information about their learning progress.

Principles of Intentional Assessment

กรอบแนวคิด 4P ของ Intentional Assessment

1. Propose-Driven (ตามเป้าหมาย)
- ประเมินเฉพาะสิ่งที่สอดคล้องกับเป้าหมายการเรียนรู้
- หลักฐานที่ได้ต้องมีความหมาย ไม่ใช่แค่ตัวเลข
- การประเมินไม่ได้ทำเพื่อเก็บคะแนน แต่หา insight เพื่อสนับสนุนการเรียนรู้ของผู้เรียน

2. Process-Enhanced (เน้นกระบวนการ)
- มุ่งวัดทั้ง “กระบวนการเรียนรู้” ไม่ใช่แค่ผลลัพธ์
- พยายามให้เห็นกระบวนการคิด กระบวนการทำงาน
- ใช้งานจริง/สร้างสรรค์ เช่น portfolio, reflection, project
- Nested Assessment, Multi-Modal Assessment, Authentic Tasks

3. Personalized (สอดคล้องผู้เรียน)
- ออกแบบการประเมินที่ยืดหยุ่นกับแต่ละคน
- Feedback และคำแนะนำที่ตรงกับความต้องการ

4. Proactive Prevention (ป้องกันเชิงรุก)
- ใช้การประเมินตรวจจับสัญญาณเสี่ยงล่วงหน้า
- รีบวางแผนช่วยเหลือก่อนปัญหาจะบานปลาย

Intentional Assessment


  • ผลการตอบคำถามปรนัย

  • คุณภาพของการตอบคำถามอัตนัย

  • submit time ของนักเรียน

  • การส่งและไม่ส่งการบ้านของนักเรียน

Intentional Assessment

Propose-Driven – คุณภาพคำตอบ
- ตรวจสอบว่าเข้าใจ learning goal
- ประเมินจากตัวเลือกที่เลือกใน quiz แบบ multiple choice
- ประเมินจากคุณภาพคำตอบอัตนัยด้วยใช้ rubric

Process-Enhanced – เวลา & รูปแบบการตอบ
- submit ทัน/ช้า = วินัย & การจัดการเวลา & ความรับผิดชอบ
- คำตอบอัตนัยสั้น/ยาว = วิธีคิดที่ต่างกัน
- คำตอบที่ผิดปกติในเชิง logic หรือกระบวนการคิด

Personalized – คุณภาพคำตอบรายบุคคล - เห็นความต่างของแต่ละคน
- Feedback เฉพาะบุคคล (ชี้ให้เห็นจุดแข็ง + ชี้สิ่งที่ควรพัฒนา)
- ตรวจการลอกงาน -> ถ้าคำตอบซ้ำกันเกินพอดี -> …

Proactive Prevention – การส่ง/ไม่ส่งงาน
- ไม่ส่ง/ส่งช้า = สัญญาณเสี่ยง -> เฝ้าระวังในอนาคต
- ครูเรียกคุย/เสริมกิจกรรมก่อนปัญหาจะบานปลาย
- ในอนาคตหากนักเรียนคนเดิมมีพฤติกรรมลอกซ้ำ ๆ = แนวโน้มเสี่ยงมากขึ้น -> ?
- คำตอบที่ผิดปกติมาก ๆ อาจสะท้อนว่านักเรียนมีปัญหาในการทำความเข้าใจบทเรียน

ตัวอย่างผลการวิเคราะห์การบ้าน

ตัวอย่างคำตอบ

บางกรณี intentional assessment สามารถให้ข้อมูลป้อนกลับเกี่ยวกับการจัดการเรียนรู้ และการวัดประเมินของผู้สอนได้ด้วย

ตัวอย่างการวิเคราะห์คำตอบอัตนัย

  1. ครูในยุคปัจจุบันควรใช้ข้อมูลของนักเรียนไปทำอะไร
  2. ทำไมการวัดผลแบบมีเป้าหมายจึงสำคัญต่อการช่วยนักเรียนให้เรียนดีขึ้น

Data

คือ ข้อเท็จจริง (fact) หรือ หลักฐาน (evidence) ที่สามารถวัดหรือสังเกตได้ และสามารถบ่งชี้สภาพของสิ่งใดสิ่งหนึ่ง ไม่ว่าจะเป็นตัวผู้เรียน กระบวนการเรียนรู้ หรือบริบทการเรียนรู้

  • เป็นวัตถุดิบสำหรับ intentional assessment และ data-driven classroom

  • data ไม่ใช่เฉพาะตัวเลข แต่รวมทุกอย่างที่เป็นข้อเท็ํจจริง หรือหลักฐานการเรียนรู้ของผู้เรียน

Type of Data

  • ข้อมูลเชิงปริมาณ (quantitative data) คือข้อมูลที่มีการเก็บบันทึกค่าเป็นตัวเลขที่มีความหมาย เช่น น้ำหนัก ส่วนสูง คะแนนสอบ จำนวนครั้งที่เข้าเรียนของนักเรียน เวลาท่ี่นักเรียนใช้ในการทำแบบฝึกหัด (นาที) จำนวนครั้งที่นักเรียนเข้าดูเนื้อหาในระบบ LMS ผลการประเมินการบ้าน (คะแนน)

  • ข้อมูลจัดประเภท (categorical data) คือข้อมูลที่ค่าของข้อมูลไม่ได้มีความหมายในเชิงปริมาณ แต่มีความหมายในเชิงคุณลักษณะ หรือการแบ่งกลุ่ม/หมวดหมู่ของหน่วยข้อมูล เช่น เพศของนักเรียน สถานะการเข้าเรียน (เข้าเรียน/ขาดเรียน) ผลการประเมินโครงงาน (ดี/พอใช้/ต้องปรับปรุง) สถานะการส่งการบ้านของนักเรียน (ตรงเวลา/ล่าช้า)

Type of (Classroom) Data

Three-Tier Framework

Assessment.Tier Primary.Data.Types Analytical.Approach
Tier 1: Predictive Assessment Academic, Behavioral, Demographic, Contextual **Predictive Analytics**: ใช้ข้อมูลย้อนหลัง 2–3 ปี เพื่อสร้างแบบจำลองคาดการณ์ความเสี่ยงของผู้เรียนก่อนเริ่มเรียน หากไม่มีข้อมูลเพียงพอ Tier นี้จะทำงานได้ไม่เต็มที่
Tier 2: Responsive Assessment Academic, Behavioral, Contextual **Descriptive & Diagnostic Analytics**: กำกับติดตาม/วิเคราะห์หาสาเหตุของปัญหาการเรียน เช่น วิเคราะห์จุดอ่อนของผู้เรียนผ่านงาน การตอบคำถาม หรือพฤติกรรม
Tier 3: Summative/Intensive Assessment All types: Academic, Behavioral, Contextual, Well-being & Social, Demographic **Evaluative Data Mining**: การประเมินว่าระบบการทำนาย การวินิจฉัย และ intervention ที่ใช้ในกระบวนการจัดการเรียนรู้ที่ผ่านมาได้ผลจริงหรือไม่ ผู้สอนอาจทำ mini-summative assessment สำหรับ intensive support

Digital Tools

Assessment.Tier Main.Purpose Key.Tools Role.of.Generative.AI
Tier 1: Predictive Anticipate learning risks Learning Analytics, Data Mining Tools Create pre-assessments, summarize student profiles, assist in tool design
Tier 2: Responsive Detect and address emerging problems Real-Time Tools, Digital Rubrics, Analytics Tools Create rubrics, analyze responses, automated (essay) scoring, automated timely feedback
Tier 3: Summative/Intensive Evaluate impact and inform system improvement Strategic Assessment Rubrics, Data Mining Tools Generate reports, synthesize outcomes, support meta-reflection
Traditional Enhanced Tools Modernize classic assessments Digitized Observation Forms, Auto-analyzed Surveys Enhance traditional tools, summarize results, automate insights

Note: Core infrastructure: LMS (Google classroom, Canvas)

Generative AI for Assessment Design, Scoring, and Feedback

  • Item/Quiz Generator (🧭 Purpose-Driven)

  • Task Generator (🧭 + 🧠 Process-Enchanced)

  • Differentiate/Adaptive Tasks (🎯 Personalized)

  • Rubric Generator (🧭 + 🧠 + 🎯 + 🛡️ Proactive)

  • Automated Scoring & Automated Essay Scoring (🎯 + 🛡️)

  • Feedback Generator (🎯 + 🛡)

What’s Generative AI?

Generative AI คือเทคโนโลยีปัญญาประดิษฐ์ที่สามารถ “สร้าง” หรือ “ผลิต” เนื้อหาใหม่ได้ เช่น ข้อความ รูปภาพ เสียง วิดีโอ หรือโค้ดคอมพิวเตอร์ โดยเรียนรู้จากข้อมูลจำนวนมหาศาลที่มีอยู่แล้ว

OpenAI (2025)

Scale Capital (2024)

หลักการทำงาน

  • เรียนรู้จากชุดข้อมูลฝึกหัด (training data) จำนวนมหาศาล

  • เมื่อมีการป้อนคำสั่ง (prompt) AI จะทำนายคำหรือส่วนของคำ ที่เรียกว่า Token ที่ควรจะนำมาในคำตอบโดยพิจารณาคำก่อนหน้า และทำซ้ำไปเรื่อย ๆ จนได้ข้อความที่สมบูรณ์

  • AI ยุคใหม่ใช้กลไกลที่เรียกว่า Attention ทำให้สามารถเข้าใจบริบทที่อยู่ห่างกัน เช่น การเชื่อมโยงคำส่วนต้นและท้ายประโยค หรืออยู่ในย่อหน้าที่ต่างกัน ทำให้เนื้อหาที่ผลิตจาก AI มีความสมเหตุสมผล สอดคล้องกับบริบทมากขึ้น

What’s Generative AI?

Generative AI คือเทคโนโลยีปัญญาประดิษฐ์ที่สามารถ “สร้าง” หรือ “ผลิต” เนื้อหาใหม่ได้ เช่น ข้อความ รูปภาพ เสียง วิดีโอ หรือโค้ดคอมพิวเตอร์ โดยเรียนรู้จากข้อมูลจำนวนมหาศาลที่มีอยู่แล้ว

OpenAI (2025)

Scale Capital (2024)

การประยุกต์ใช้

  • สร้างเนื้อหาใหม่ตามคำสั่ง

  • สรุปและปรับปรุงเนื้อหาให้ตรงบริบท

  • แปลและตรวจสอบความเหมาะสมของภาษา

  • ตอบคำถามและให้ข้อมูล

  • ช่วยคิด วิเคราะห์ และดำเนินงานอัตโนมัติ

Chatgpt

  1. เข้าไปที่เว็บไซต์ chat.openai.com

  2. ลงทะเบียนหรือเข้าสู่ระบบ

  3. เลือกโมเดลที่ต้องการใช้

  4. พิมพ์คำถามหรือคำสั่งในช่องข้อความ

  5. ตรวจสอบคำตอบที่ได้รับ ปรับปรุง และนำผลลัพธ์ไปใช้

https://openai.com/chatgpt/pricing/

Chatgpt

  1. เข้าไปที่เว็บไซต์ chat.openai.com

  2. ลงทะเบียนหรือเข้าสู่ระบบ

  3. เลือกโมเดลที่ต้องการใช้

  4. พิมพ์คำถามหรือคำสั่งในช่องข้อความ

  5. ตรวจสอบคำตอบที่ได้รับ ปรับปรุง และนำผลลัพธ์ไปใช้

Generative AI Framework

Generative AI ทำงานโดยอาศัยข้อมูลนำเข้า (Inputs) + คำสั่ง (Prompt) → เพื่อสร้างเนื้อหาใหม่ (Outputs) โดยที่เบื้องหลังมีระบบเรียนรู้และปรับปรุงโมเดลอย่างต่อเนื่อง ภายใต้การควบคุม (Governance)

  • ออกแบบหรือป้อนคำสั่งที่ชัดเจน และมีข้อมูลครบถ้วนเพียงพอ

  • มีธรรมาภิบาลในการใช้ AI

https://www.gartner.com/en/insights/generative-ai-for-business

Prompt Design


“คุณคือครูประจำชั้น ช่วยร่างข้อความแจ้งผู้ปกครองเรื่องเปลี่ยนวันประชุมผู้ปกครอง จากวันที่ 13 มิถุนายน 2568 เป็นวันที่ 20 มิถุนายน 2568 โดยใช้ภาษาสุภาพ เหมาะสมกับการสื่อสารทางการศึกษา ความยาวไม่เกิน 10 บรรทัด”

องค์ประกอบของ Prompt เนื้อหาใน prompt
1. Task ช่วยร่างข้อความแจ้งผู้ปกครอง
2. Context เรื่องเปลี่ยนวันประชุมผู้ปกครอง จากวันที่ 13
เป็นวันที่ 20 มิ.ย. 2568
3. Specification ใช้ภาษาสุภาพ เหมาะกับการสื่อสารทางการศึกษา
ไม่เกิน 10 บรรทัด
Prompt ที่ดีนำไปสู่ผลลัพธ์ที่ดี

https://llmnanban.akmmusai.pro/Introductory/Prompt-Elements/

ข้อควรระวังในการใช้ Generative AI

  • ความถูกต้องของข้อมูล – AI อาจให้ข้อมูลที่ไม่ถูกต้องหรือไม่เป็นปัจจุบัน ควรตรวจสอบกับแหล่งข้อมูลอื่นที่เชื่อถือได้เสมอ

  • การปรับแต่งให้เหมาะสมกับบริบท – โดยปกติ AI จะมีข้อจำกัดในการทำงานภายใต้บริบทเฉพาะ โดยเฉพาะเรื่องกฎหมาย การใช้งานจำเป็นต้องให้ข้อมูลที่เพียงพอแก่ AI และมีการปรับแต่งให้เหมาะสม เช่น ภาษา/คำศัพท์ การอ้างอิงกฎหมาย

  • ความเป็นมืออาชีพ – ไม่ควรใช้ AI ทดแทนการใช้วิจารณญาณหรือการตัดสินใจของคน โดยเฉพาะงานที่ต้องการความเชี่ยวชาญหรือความรับผิดชอบสูง

  • ลิขสิทธิ์และการอ้างอิง – ตรวจสอบลิขสิทธิ์ของเนื้อหาที่ได้จาก AI และอ้างอิงแหล่งที่มาอย่างถูกต้อง

  • การรักษาความลับ – ระมัดระวังไม่ให้ข้อมูลที่ละเอียดอ่อน หรือเป็นความลับ หรือข้อมูลส่วนบุคคลแก่ AI สาธารณะ

AI Usage Framework



Human in the Loop Framework

https://www.doubleword.ai/glossary/human-in-the-loop

Generative AI for Assessment Design, Scoring, and Feedback

  • Item/Quiz and Task Generator

  • Rubric Generator

  • Automated Scoring & Automated Essay Scoring

  • Feedback Generator

Item/Quiz Generator

Generative AI สามารถ

  • สร้างข้อสอบตาม learning objective

  • ปรับข้อสอบตาม Bloom’s Taxonomy หรือกรอบแนวคิดอื่น ๆ ตามที่กำหนด

  • ใส่บริบทที่เหมาะสมกับผู้เรียน

  • อธิบายเหตุผลของคำตอบเพื่อการตรวจสอบและการเรียนรู้

โครงสร้าง prompt ที่ดีควรประกอบด้วย –> ตัวอย่าง

- วิชา / หัวข้อ
- กลุ่มเป้าหมาย (ระดับชั้น, ความรู้พื้นฐาน)
- วัตถุประสงค์การเรียนรู้
- เนื้อหา
- ประเภทข้อสอบ (MCQ, Short Answer, Essay)
- จำนวนข้อ
- ระดับความยาก
- บริบท/สถานการณ์ (Contextualization)
- เฉลย + คำอธิบาย + Rationales
...

Item Analysis + Generator (1)

Item Analysis + Generator (2)

Differentiated Items

Differentiated Items

Problems/Tasks Analysis

Problem-based/Tasks Generator

สร้าง Assignment สำหรับนิสิตระดับปริญญาโท สาขาสถิติและวิทยาการข้อมูลการศึกษา ในรายวิชา Machine Learning โดยมีรายละเอียดดังนี้:

วัตถุประสงค์ เพื่อ พัฒนาโมเดลเพื่อจำแนกผลสัมฤทธิ์ของนักเรียนจากชุดข้อมูล student-mat.csv โดยใช้ tidymodels ใน R

นิสิตต้องดำเนินการดังต่อไปนี้:

  1. ดำเนินการทำ feature engineering โดยใช้แนวทางการจัดการข้อมูล 3 แบบ ดังนี้ 1.1 ทำ basic preprocessing มีแค่ standardized หรือแปลงตัวแปรจัดประเภทเป็น dummy ตามเหมาะสม

1.2 เพิ่มจาก basic preprocessing ให้มีการ explore interaction term เพื่อจับส่วนความสัมพันธ์แบบ non-linear

1.3 เลือก 1.1 หรือ 1.2 มาเพิ่ม ให้มีการแปลงค่าของตัวแปรต่อเนื่องที่เบ้ หรือตัวแปรต่อเนื่องที่มีการแจกแจงไม่ปกติให้เป็นตัวแปรจัดประเภท

  1. ฝึกสอนโมเดล Linear Regression, Lasso Regression และ Ridge regression

  2. ประเมินประสิทธิภาพของโมเดลโดยใช้ Accuracy, Sensitivity, Specificity, F-measure และ AUC

  3. เปรียบเทียบประสิทธิภาพของ วิธีการจัดการข้อมูล และ โมเดลที่แตกต่างกัน

  4. สรุปและแปลความหมายของผลลัพธ์

เน้นให้นิสิตเขียนแสดงกระบวนการและเขียนเหตุผลเป็นระยะ ๆ ตามแนวคิด nested assessment แนะนำให้นิสิตในข้อ 4. ด้วยว่าควรมีการออกแบบการเปรียบเทียบอย่างไร

Inquiry-based Task


ช่วยออกแบบกิจกรรมสำหรับนักเรียนที่ใช้ AI ช่วยในการหาคำตอบ วัตถุประสงค์คือ ส่งเสริมการเรียนรู้แบบ Inquiry-Based Learning โดยนักเรียนจะใช้ AI (ChatGPT) และฐานข้อมูลดาวเคราะห์นอกระบบจากแหล่งข้อมูลจริง เพื่อฝึกการวิเคราะห์ข้อมูลจริง การตั้งสมมติฐาน การสร้างชุดข้อมูล วิเคราะห์ผล และการสื่อสารผลการศึกษาเชิงวิทยาศาสตร์  สำหรับนักเรียนระดับชั้น ม.5

Rubric Generator

Automated Scoring + Feedback

  • Gen AI เช่น ChatGPT สามารถตรวจคำตอบของโจทย์ปัญหาได้ และยังสามารถตรวจให้ผู้เรียนเป็นรายบุคคลโดยอัตโนมัติ

  • ถ้าคำถามมีความซับซ้อนอาจแบ่งการป้อน prompt เป็นส่วนย่อย ๆ เช่น ส่วนสอนหรือปรับแต่งเฉลยคำตอบ ส่วนตรวจให้คะแนน และส่วนให้ผลป้อนกลับ

Automated Scoring + Feedback

  • Gen AI เช่น ChatGPT สามารถตรวจคำตอบของโจทย์ปัญหาได้ และยังสามารถตรวจให้ผู้เรียนเป็นรายบุคคลโดยอัตโนมัติ

  • ถ้าคำถามมีความซับซ้อนอาจแบ่งการป้อน prompt เป็นส่วนย่อย ๆ เช่น ส่วนสอนหรือปรับแต่งเฉลยคำตอบ ส่วนตรวจให้คะแนน และส่วนให้ผลป้อนกลับ

Automated Scoring + Feedback

Gen AI สามารถส่งไฟล์ผลการประเมินและการให้ feedback กลับมาเพื่อนำไปใช้ต่อได้

Automated Scoring + Feedback

Automate Essay Scoring

### prompt 1
หากจะพัฒนาทัศนภาพข้อมูลข้างต้นให้ดียิ่งขึ้น นิสิตคิดว่าควรพัฒนา/ปรับเปลี่ยนทัศนภาพข้อมูลในประเด็นใดบ้าง

แนวทางเฉลย: 

1. ทัศนภาพข้อมูลนี้ใช้ pie chart แทนปริมาณที่เป็นคะแนนเฉลี่ยรายวิชาคณิตศาสตร์ที่จำแนกตามกลุ่มนักเรียน ซึ่งไม่เหมาะสม ควรใช้ bar chart หรือทัศนภาพอื่นที่ใช้นำเสนอปริมาณไม่ใช่สัดส่วน ---> Untrustworthy
2. ใช้จานสีแบบ sequential แทนที่จะเป็น qualitative palette แทนกลุ่มนักเรียน ---> not accessible

ดังนั้นประเด็นการพัฒนาปรับเปลี่ยนให้ดีขึ้นต้องตอบ 2 ประเด็น

1. เปลี่ยนทัศนภาพข้อมูลให้เป็นแผนภูมิแท่ง หรือแผนภูมิอื่นที่ใช้นำเสนอปริมาณ/เปรียบเทียบข้อมูล ไม่ใช่สัดส่วน
2. เลือกจานสีแบบ qualitative palette ให้เหมาะกับประเภทตัวแปรสไตล์การเรียนรู้ 

จำไว้ก่อน

### prompt 2
ไฟล์นี้เป็นผลการตอบคำถามแบบอัตนัยรายคนของนักเรียนในข้อสอบข้างต้น ช่วยตรวจความถูกต้องโดยให้คะแนนเป็นรายคนดังนี้
2 คะแนน ตอบถูกต้องทั้งสองประเด็น
1 คะแนน ตอบถูกต้อง 1 ประเด็น
0 คะแนน ไม่ถูกต้องเลย

แล้วสร้างผลการตรวจเป็นคอลัมน์ที่ 5 แล้วส่งไฟล์กลับมาหน่อย

AI Automation: Custom GPT

  • Prompt engineering + Context injection

  • สามารถปรับแต่ง GPT ให้มีความเฉพาะและเหมาะกับการทำงานในแต่ละบริบท

  • ไม่จำเป็นต้องเขียน code

https://imaurer.com/what-is-a-custom-gpt/#key-risks-of-custom-gpts

AI Automation: Custom GPT

การใช้งานให้ดำเนินการต่อไปนี้

  • บน sidebar ของ ChatGPT คลิกเลือก Explore GPTs

  • มุมขวาบนของหน้าจอ คลิปเลือก + Create

ทดลองใช้

AI Automation: Custom GPT

Personal Tutor & Feedback

AI Automation: Custom GPT

Personal Tutor & Feedback

AI Automation

AI Automation

AI Usage Framework



Human in the Loop Framework

https://www.doubleword.ai/glossary/human-in-the-loop

References

Bolz, Michael J., and Vidya Madhavan. 2023. “What Is Data-Driven Instruction in Education?” https://www.hmhco.com/blog/what-is-data-driven-instruction.
OpenAI. 2025. “Generative AI Infographic: AI-Generated Image.” 2025. https://chat.openai.com.
Scale Capital. 2024. “Generative AI Landscape Q3 2024 & Insights.” 2024. https://www.scalecapital.com/stories/generative-ai-landscape-q3-2024-insights.